论文部分内容阅读
摘要 针对云南省鲜切花产业不断发展壮大与鲜切花价格难以预测的矛盾,拟设计基于智能算法的影响鲜切花价格因素的智能验证模型:根据实际需求将政策指导矩阵进行修改完善,确定市场竞争力最强、市场前景最好的鲜切花品种;然后,基于昆明国际花卉拍卖交易中心官网提供的数据分析框定影响因素;最后,以月季鲜切花为例,采用GRNN神经网络算法构建影响鲜切价格因素的验证模型,确定鲜切花价格的影响因素。该验证模型的建立为构建鲜切花价格预测模型提供了智力支持。
关键词 验证;模型;影响因素;GRNN神经网络算法;鲜切花
中图分类号 S126 文献标识码 A 文章编号 0517-6611(2018)22-0190-03
Abstract Aiming at the contradiction between the continuous growth and development of fresh cut flowers industry and the price of fresh cut flowers in Yunnan Province,based on intelligent algorithm,an intelligent verification model of fresh cut flowers price factor was designed.According to the actual demand,the policy guidance matrix was improved to determine the best market competitiveness and the best market prospect of fresh cut flowers.Then,based on the data provided by official website of Kunming International Flower Auction and Trading Center,the influencing factors were analyzed.Finally,taking the fresh cut flowers of rose as an example,the GRNN neural network algorithm was used to construct a verification model affecting the price factors of fresh cut flowers,to determine the influencing factors of the price of fresh cut flowers .The establishment of the validation model provided intelligence support for constructing the price prediction model of fresh cut flowers.
Key words Validation;Model;Influencing factor;GRNN neural network algorithm;Fresh cut flowers
云南省高原氣候显著,昼夜温差大,海拔差距大,使得其省内鲜切花产量高、色彩鲜艳、品种多样,云南省鲜切花现已成为全国乃至全亚洲的高原特色产物之一。云南省鲜切花销量占全国销量的70%左右,特别是寒冬季节,鲜切花呈现供不应求的态势。目前,云南省大力发展高原农业特色产业,鲜切花成为重点发展产业之一。随着鲜切花产量的不断增长,中国花卉协会、园林网等网站也曝出了特定时段鲜切花滞销的新闻。在供不应求与严重滞销等复杂环境的综合影响下,鲜切花在不同时期的价格预测就显得尤为重要,特别是影响鲜切花的价格因素成为影响云南省鲜切花产业的重点因素。因此,对影响鲜切花价格因素进行研究刻不容缓。
1 验证模型建设的必要性
近年来,自互联网+、物联网、大数据等高新技术进入人们的视野以来,农业大数据在特定范围内得到了广泛的认可。在云南省特别是具有“花城”之称的昆明市,鲜切花产业是广大农户、散户、鲜切花种植企业主要收入来源,如何将互联网+、农业大数据的高新技术引入鲜切花行业成为影响云南鲜切花产业发展的关键因素。
鲜切花价格预测成为重中之重,近期金智等[1]采用人工神经网络算法对玉米价格进行短期预测;李宏伟等[2]采用小波神经网络算法构建鱼类价格预测模型对鱼类价格进行预测;孙吉红等[3]采用BP人工神经网络算法构建鲜切花价格预测模型;赵姜等[4]采用SARIMA模型对西瓜的短期价格进行预测;魏明桦等[5]采用改进 BP 神经算法构建农产品价格预测模型并实现价格预测取得了较好的结果;陈芳等[6]采用广义回归神经网络算法,构建蔬菜市场价格预测模型,对蔬菜价格进行预测取得了较好的结果。多位研究人员构建了定性或者定量的预测模型对农产品价格进行预测,为云南省鲜切花的产业发展提供了智力支持。但是,研究人员较少涉及影响鲜切花价格因素的研究,只有“基于智能算法的价格预测模型探究”一文中明确了影响鲜切花的价格因素,但是笔者并未使用智能算法对影响因素进行验证。
因此,随着农业物联网技术的迅速发展,在鲜切花产业中,亟需利用智能算法构建影响鲜切花价格因素的验证模型,解决鲜切花价格预测中预测准确率较低的问题,为云南省鲜切花产业发展作出贡献。
2 验证模型建设的方法
验证模型建设的技术路线见图1。
2.1 基于政策指导矩阵选定研究对象
政策指导矩阵可以用矩阵来指导决策[7]。由图2可知,该研究根据实际需求,对荷兰皇家-壳牌公司创立的政策指导矩阵进行修改,将纵坐标经营单位的竞争能力改为某种鲜切花在市场上的竞争力,分为“强”“中”“弱”3个等级,横坐标保留市场前景,但是限定为鲜切花在云南花卉市场中的前景,且分为“强”“中”“弱”3个等级,形成具有针对性的政策指导矩阵。通过划分区域确定某种鲜切花来年在市场上的竞争力,确定市场前景。 笔者邀请了云南省研究鲜切花方面的专家3人,鲜切花研究方向研究生10人,从事鲜切花销售种植的人员2人,并预备了问卷调查100份。通过头脑风暴法结合问卷调查的结果将不同的鲜切花划分在不同区域,最终根据政策指导矩阵判断研究对象的市场前景,寻找最具有潜力的鲜切花品种。具体方法如下所示:①将研究对象锁定在世界五大鲜切花:菊花、 月季、康乃馨、唐菖蒲、 非洲菊。分别咨询研究鲜切花价格方面的专家,确定其在市场中的竞争力和吸引力。②根据昆明斗南国际花卉市场在2017年1月—2018年12月公布的鲜切花价格数据,分析2017年5种鲜切花的产量、销售量、价格及价格趋势。③根据数据分析的结果结合人们日常消费鲜切花的种类、数量等特点,制作问卷调查,分不同的小区、花卉市场进行发放,收集整理、分析问卷调查的数据。
④根据政策指导矩阵的特点,将5种鲜切花分别置于矩阵中的5个数字内,确定最优品种的鲜切花,供农户、散户、鲜切生产企业、收购商选择。
根据以上分析确定,月季、康乃馨鲜切花分别处于第1和第4区,是具有較强市场竞争力和较好市场前景的鲜切花品种,其中选定月季鲜切花为该研究的对象。其余3种鲜切花处于第2区,在鲜切花交易市场中前景较好,但是竞争力相对于月季鲜切花较弱,应该投入更多的资金提高现有品种质量,研发新品种,提高市场竞争力。
2.2 基于数据分析框定影响因素
根据问卷调查中的数据分析显示:①80%的受调查对象认为情人节(2月14日)前后、七夕节前后、春节前后,鲜切花特别是月季鲜切花、百合鲜切花的价格大涨,远远超出正常价格;②春、夏季鲜切花价格较低,秋季相比较春、夏季,价格略有上浮,冬季鲜切花价格较高;③影响鲜切花价格的因素主要是供求关系,供不应求时鲜切花价格上涨,供大于求时鲜切花价格下跌。
结合昆明市国际花卉拍卖交易中心官方网站公布的2017年全年数据以及多篇核心期刊的表述,在分季节期间中,影响鲜切花的价格因素为昆明市国际花卉拍卖交易中心的供应量和需求量。
为证明以上结论的准确性,该研究引入了聚类算法,将不同季节、不同时间段的同一品种的鲜切花进行分类,以月季鲜切花为例,证明月季鲜切花由于时间的不同产生不同的价格。具体算法如下:①将2017年1月1日—12月31日的月季鲜切花的价格分为365份,将其作为构建聚类算法分类模型中的训练样本;②将365份数据打破时间的限制并作为输入向量,在聚类算法构建的模型中进行训练,按照重大节假日、春、夏、秋、冬季节进行分类,根据欧式几何距离算法,对数据进行分类,分类结果见图3。
2.3 采用智能算法构建验证模型
由于影响鲜切花价格因素的验证属于非线性问题,而GRNN神经网络算法具有较强的非线性映射能力及柔性网络结构、高度的鲁棒性、较强的容错性,适于解决非线性问题[6]。笔者以月季鲜切花为研究对象,采用GRNN神经网络算法进行验证。
将昆明斗南国际花卉市场在2017年1月—2018年12月公布的月季鲜切花每日的产量、销售量、价格等365组数据进行归一化处理,将每组数据控制在-1~1,设定输入向量的维数等于2,输出向量的维数等于1,然后将365组数据作为输入变量,不需要任何处理,直接传递至模式层。根据模式层神经元传递函数进行计算,输入求和层。
最后,将求和层的计算结果通过输出层输出,此处输出层的输出向量维数等于1,即鲜切花的预测价格,将输出结果与实际结果进行计算,得出预测的准确率。当预测的准确率高于90%时,说明影响鲜切花的价格因素为昆明斗南国际花卉市场中每天鲜切花的产量、销售量。
3 结语
农业物联网的兴起加快了云南省鲜切花产业的发展,促进了云南鲜切花产业冲出亚洲,走向全世界。目前,鲜切花已经成为云南高原特色产业之一,加快鲜切花产业发展,提升鲜切花的品质显得尤为重要。将智能算法引入鲜切花价格影响因素的验证模型中,确定影响因素,再使用已有的较为成熟的鲜切花价格预测模型,可有效提升基于智能算法的鲜切花价格预测模型的预测率,真正实现农业信息化、智能化[10]。
参考文献
[1]金智,李风军.基于人工神经网络的玉米价格短期预测研究[J].宁夏师 范学院学报(自然科学),2013,34(6):77-81.
[2]李宏伟,高小翔,程可军.基于小波神经网络的鱼类价格预测研究[J].中国渔业经济,2014,32(4):61-66.
[3]孙吉红,张丽莲,武尔维,等.基于智能算法的价格预测模型探究[J].计算机技术与发展,2014,24(11):107-109.
[4]赵姜,吴芮,吴敬学.中国西瓜价格短期预测分析[J].北方园艺,2015(23):213-216.
[5]魏明桦,郑金贵.基于改进 BP 神经算法的农产品价格预测模型的构建与实现[J].唐山师范学院学报,2014,36(2):66-68.
[6]陈芳,楼文高.基于广义回归神经网络的蔬菜市场日价格预测[J].浙江农业学报,2015,27(7):1253-1258.
[7]周三多,陈传明.管理学[M].北京:高等教育出版社,2000.
[8]于海涛,李梓,姚念民.K-means聚类算法优化方法的研究[J].小型微型计算机系统,2012,33(10):2273-2277.
[9]史峰,王小川,郁磊,等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[10]张纯,李蕾,夏海山.城市规划视角下智慧城市的审视和反思[J].国际城市规划,2016,31(1):19-25.
关键词 验证;模型;影响因素;GRNN神经网络算法;鲜切花
中图分类号 S126 文献标识码 A 文章编号 0517-6611(2018)22-0190-03
Abstract Aiming at the contradiction between the continuous growth and development of fresh cut flowers industry and the price of fresh cut flowers in Yunnan Province,based on intelligent algorithm,an intelligent verification model of fresh cut flowers price factor was designed.According to the actual demand,the policy guidance matrix was improved to determine the best market competitiveness and the best market prospect of fresh cut flowers.Then,based on the data provided by official website of Kunming International Flower Auction and Trading Center,the influencing factors were analyzed.Finally,taking the fresh cut flowers of rose as an example,the GRNN neural network algorithm was used to construct a verification model affecting the price factors of fresh cut flowers,to determine the influencing factors of the price of fresh cut flowers .The establishment of the validation model provided intelligence support for constructing the price prediction model of fresh cut flowers.
Key words Validation;Model;Influencing factor;GRNN neural network algorithm;Fresh cut flowers
云南省高原氣候显著,昼夜温差大,海拔差距大,使得其省内鲜切花产量高、色彩鲜艳、品种多样,云南省鲜切花现已成为全国乃至全亚洲的高原特色产物之一。云南省鲜切花销量占全国销量的70%左右,特别是寒冬季节,鲜切花呈现供不应求的态势。目前,云南省大力发展高原农业特色产业,鲜切花成为重点发展产业之一。随着鲜切花产量的不断增长,中国花卉协会、园林网等网站也曝出了特定时段鲜切花滞销的新闻。在供不应求与严重滞销等复杂环境的综合影响下,鲜切花在不同时期的价格预测就显得尤为重要,特别是影响鲜切花的价格因素成为影响云南省鲜切花产业的重点因素。因此,对影响鲜切花价格因素进行研究刻不容缓。
1 验证模型建设的必要性
近年来,自互联网+、物联网、大数据等高新技术进入人们的视野以来,农业大数据在特定范围内得到了广泛的认可。在云南省特别是具有“花城”之称的昆明市,鲜切花产业是广大农户、散户、鲜切花种植企业主要收入来源,如何将互联网+、农业大数据的高新技术引入鲜切花行业成为影响云南鲜切花产业发展的关键因素。
鲜切花价格预测成为重中之重,近期金智等[1]采用人工神经网络算法对玉米价格进行短期预测;李宏伟等[2]采用小波神经网络算法构建鱼类价格预测模型对鱼类价格进行预测;孙吉红等[3]采用BP人工神经网络算法构建鲜切花价格预测模型;赵姜等[4]采用SARIMA模型对西瓜的短期价格进行预测;魏明桦等[5]采用改进 BP 神经算法构建农产品价格预测模型并实现价格预测取得了较好的结果;陈芳等[6]采用广义回归神经网络算法,构建蔬菜市场价格预测模型,对蔬菜价格进行预测取得了较好的结果。多位研究人员构建了定性或者定量的预测模型对农产品价格进行预测,为云南省鲜切花的产业发展提供了智力支持。但是,研究人员较少涉及影响鲜切花价格因素的研究,只有“基于智能算法的价格预测模型探究”一文中明确了影响鲜切花的价格因素,但是笔者并未使用智能算法对影响因素进行验证。
因此,随着农业物联网技术的迅速发展,在鲜切花产业中,亟需利用智能算法构建影响鲜切花价格因素的验证模型,解决鲜切花价格预测中预测准确率较低的问题,为云南省鲜切花产业发展作出贡献。
2 验证模型建设的方法
验证模型建设的技术路线见图1。
2.1 基于政策指导矩阵选定研究对象
政策指导矩阵可以用矩阵来指导决策[7]。由图2可知,该研究根据实际需求,对荷兰皇家-壳牌公司创立的政策指导矩阵进行修改,将纵坐标经营单位的竞争能力改为某种鲜切花在市场上的竞争力,分为“强”“中”“弱”3个等级,横坐标保留市场前景,但是限定为鲜切花在云南花卉市场中的前景,且分为“强”“中”“弱”3个等级,形成具有针对性的政策指导矩阵。通过划分区域确定某种鲜切花来年在市场上的竞争力,确定市场前景。 笔者邀请了云南省研究鲜切花方面的专家3人,鲜切花研究方向研究生10人,从事鲜切花销售种植的人员2人,并预备了问卷调查100份。通过头脑风暴法结合问卷调查的结果将不同的鲜切花划分在不同区域,最终根据政策指导矩阵判断研究对象的市场前景,寻找最具有潜力的鲜切花品种。具体方法如下所示:①将研究对象锁定在世界五大鲜切花:菊花、 月季、康乃馨、唐菖蒲、 非洲菊。分别咨询研究鲜切花价格方面的专家,确定其在市场中的竞争力和吸引力。②根据昆明斗南国际花卉市场在2017年1月—2018年12月公布的鲜切花价格数据,分析2017年5种鲜切花的产量、销售量、价格及价格趋势。③根据数据分析的结果结合人们日常消费鲜切花的种类、数量等特点,制作问卷调查,分不同的小区、花卉市场进行发放,收集整理、分析问卷调查的数据。
④根据政策指导矩阵的特点,将5种鲜切花分别置于矩阵中的5个数字内,确定最优品种的鲜切花,供农户、散户、鲜切生产企业、收购商选择。
根据以上分析确定,月季、康乃馨鲜切花分别处于第1和第4区,是具有較强市场竞争力和较好市场前景的鲜切花品种,其中选定月季鲜切花为该研究的对象。其余3种鲜切花处于第2区,在鲜切花交易市场中前景较好,但是竞争力相对于月季鲜切花较弱,应该投入更多的资金提高现有品种质量,研发新品种,提高市场竞争力。
2.2 基于数据分析框定影响因素
根据问卷调查中的数据分析显示:①80%的受调查对象认为情人节(2月14日)前后、七夕节前后、春节前后,鲜切花特别是月季鲜切花、百合鲜切花的价格大涨,远远超出正常价格;②春、夏季鲜切花价格较低,秋季相比较春、夏季,价格略有上浮,冬季鲜切花价格较高;③影响鲜切花价格的因素主要是供求关系,供不应求时鲜切花价格上涨,供大于求时鲜切花价格下跌。
结合昆明市国际花卉拍卖交易中心官方网站公布的2017年全年数据以及多篇核心期刊的表述,在分季节期间中,影响鲜切花的价格因素为昆明市国际花卉拍卖交易中心的供应量和需求量。
为证明以上结论的准确性,该研究引入了聚类算法,将不同季节、不同时间段的同一品种的鲜切花进行分类,以月季鲜切花为例,证明月季鲜切花由于时间的不同产生不同的价格。具体算法如下:①将2017年1月1日—12月31日的月季鲜切花的价格分为365份,将其作为构建聚类算法分类模型中的训练样本;②将365份数据打破时间的限制并作为输入向量,在聚类算法构建的模型中进行训练,按照重大节假日、春、夏、秋、冬季节进行分类,根据欧式几何距离算法,对数据进行分类,分类结果见图3。
2.3 采用智能算法构建验证模型
由于影响鲜切花价格因素的验证属于非线性问题,而GRNN神经网络算法具有较强的非线性映射能力及柔性网络结构、高度的鲁棒性、较强的容错性,适于解决非线性问题[6]。笔者以月季鲜切花为研究对象,采用GRNN神经网络算法进行验证。
将昆明斗南国际花卉市场在2017年1月—2018年12月公布的月季鲜切花每日的产量、销售量、价格等365组数据进行归一化处理,将每组数据控制在-1~1,设定输入向量的维数等于2,输出向量的维数等于1,然后将365组数据作为输入变量,不需要任何处理,直接传递至模式层。根据模式层神经元传递函数进行计算,输入求和层。
最后,将求和层的计算结果通过输出层输出,此处输出层的输出向量维数等于1,即鲜切花的预测价格,将输出结果与实际结果进行计算,得出预测的准确率。当预测的准确率高于90%时,说明影响鲜切花的价格因素为昆明斗南国际花卉市场中每天鲜切花的产量、销售量。
3 结语
农业物联网的兴起加快了云南省鲜切花产业的发展,促进了云南鲜切花产业冲出亚洲,走向全世界。目前,鲜切花已经成为云南高原特色产业之一,加快鲜切花产业发展,提升鲜切花的品质显得尤为重要。将智能算法引入鲜切花价格影响因素的验证模型中,确定影响因素,再使用已有的较为成熟的鲜切花价格预测模型,可有效提升基于智能算法的鲜切花价格预测模型的预测率,真正实现农业信息化、智能化[10]。
参考文献
[1]金智,李风军.基于人工神经网络的玉米价格短期预测研究[J].宁夏师 范学院学报(自然科学),2013,34(6):77-81.
[2]李宏伟,高小翔,程可军.基于小波神经网络的鱼类价格预测研究[J].中国渔业经济,2014,32(4):61-66.
[3]孙吉红,张丽莲,武尔维,等.基于智能算法的价格预测模型探究[J].计算机技术与发展,2014,24(11):107-109.
[4]赵姜,吴芮,吴敬学.中国西瓜价格短期预测分析[J].北方园艺,2015(23):213-216.
[5]魏明桦,郑金贵.基于改进 BP 神经算法的农产品价格预测模型的构建与实现[J].唐山师范学院学报,2014,36(2):66-68.
[6]陈芳,楼文高.基于广义回归神经网络的蔬菜市场日价格预测[J].浙江农业学报,2015,27(7):1253-1258.
[7]周三多,陈传明.管理学[M].北京:高等教育出版社,2000.
[8]于海涛,李梓,姚念民.K-means聚类算法优化方法的研究[J].小型微型计算机系统,2012,33(10):2273-2277.
[9]史峰,王小川,郁磊,等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[10]张纯,李蕾,夏海山.城市规划视角下智慧城市的审视和反思[J].国际城市规划,2016,31(1):19-25.